diff --git a/module2/exo1/toy_document_orgmode_python_fr.org b/module2/exo1/toy_document_orgmode_python_fr.org
index 8aafe61d6719a095a4596e6d7ce1b182a97368b8..b2ec79cc99b8c5751d56166160c5f4caf1afc0a5 100644
--- a/module2/exo1/toy_document_orgmode_python_fr.org
+++ b/module2/exo1/toy_document_orgmode_python_fr.org
@@ -19,7 +19,7 @@ pi
 #+end_src
 
 #+RESULTS:
-: [1] 3.141592653589793
+: 3.141592653589793
 
 
 * En utilisant la méthode des aiguilles de Buffon
@@ -35,7 +35,7 @@ theta = np.random.uniform(size=N, low=0, high=pi/2)
 2/(sum((x+np.sin(theta))>1)/N)
 #+end_src
 #+RESULTS:
-: [1] 3.128911138923655
+: 3.128911138923655
 
 * Avec un argument "fréquentiel" de surface
 Sinon, une méthode plus simple à comprendre et ne faisant pas
@@ -43,8 +43,7 @@ intervenir d'appel à la fonction sinus se base sur le fait que si $X\sim
 U(0,1)$ et $Y\sim U(0,1)$ alors $P[X^2+Y^2\leq 1] = \pi/4$ (voir [[https://fr.wikipedia.org/wiki/M%25C3%25A9thode_de_Monte-Carlo#D%25C3%25A9termination_de_la_valeur_de_%25CF%2580][méthode de
 Monte Carlo sur Wikipedia]]). Le code suivant illustre ce fait :
 
-#+begin_src python :results output file :var matplot_lib_filename="file figure_pi_mc2.png :session *python*
-%matplotlib inline  
+#+begin_src python :results output file :var matplot_lib_filename="figure_pi_mc2.png" :exports both :session *python*
 import matplotlib.pyplot as plt
 
 np.random.seed(seed=42)
@@ -59,7 +58,7 @@ fig, ax = plt.subplots(1)
 ax.scatter(x[accept], y[accept], c='b', alpha=0.2, edgecolor=None)
 ax.scatter(x[reject], y[reject], c='r', alpha=0.2, edgecolor=None)
 ax.set_aspect('equal')
-plt.savefig(matplot_lib_filename)	
+plt.savefig(matplot_lib_filename)
 print(matplot_lib_filename)
 #+end_src
 #+RESULTS:
@@ -72,4 +71,4 @@ Il est alors aisé d'obtenir une approximation (pas terrible) de $\pi$ en compta
 4*np.mean(accept)
 #+end_src
 #+RESULTS:
-: [1] 3.112
\ No newline at end of file
+: 3.112
\ No newline at end of file